پیش‌بینی مناطق مستعد وقوع سیل با استفاده از مدل‌های پیشرفته یادگیری ماشین ( دشت بیرجند)

تحقیقات در مورد مدل‌های پیش‌بینی سیل، یکی از اقدامات اولیه در کاهش خسارت سیل و مدیریت سیل‌های آینده در حوضه‌های آبریز است. هدف از مطالعه حاضر، ارزیابی حساسیت سیل در حوضه آبریز دشت بیرجند از طریق چهار مدل یادگیری ماشین شامل ماشین بردار پشتیبان (‏svm)‏، درخت تصمیم j48‏، جنگل تصادفی (‏rf) و سیستم‌ استنتاج عصبی فازی (anfis) است. لذا جهت پیاده‌سازی و اعتبارسنجی مدل‌های ذکر شده، فهرستی از مناطق مستعد سیل در منطقه مورد مطالعه تهیه شد (42 موقعیت سیل‌خیز). علاوه بر این، 19 معیار هیدروژئولوژیکی، توپوگرافی، زمین‌شناسی و محیطی موثر بر وقوع سیل در منطقه مورمطالعه استخراج شدند تا برای پیش‌بینی نقشه حساسیت سیل مورد استفاده قرار گیرند. نتایج نشان داد که بالاترین دقت مربوط به مدل rf (0.845) و کمترین دقت مربوط به مدل svm‏ (‏0.791)‏ بود. علاوه بر این، اعتبارسنجی نتایج با استفاده از منحنی roc نشان داد که دقیق‌ترین مقادیر حساسیت سیل نیز به مدل rf اختصاص دارد (0.958auc=)‏. نتایج این مطالعه می‌تواند به منظور مدیریت مناطق آسیب‌پذیر و کاهش خسارات سیل استفاده گردد.

Predicting flood prone areas using advanced machine learning models (Birjand plain)

Research on flood predicting models is one of the first steps in reducing flood damage and managing future floods in catchments. The aim of this study was to evaluate flood susceptibility in Birjand plain catchment through four machine learning models including support vector machine (SVM), J48 decision tree, random forest (RF) and Adaptive neuro fuzzy inference system (ANFIS). Therefore, in order to implement and validate the mentioned models, a list of floodprone areas in the study area was prepared (42 floodprone locations). In addition, 19 hydrogeological, topographical, geological and environmental criteria affecting flood occurrence in the study area were extracted to be used to predict flood susceptibility map. The results showed that the highest accuracy was related to the RF model (0.845) and the lowest accuracy was related to the SVM model (0.791). In addition, the validation of the results using the ROC curve showed that the most accurate values of flood susceptibility belong to the RF model (AUC = 0.958). The results of this study can be used to manage vulnerable areas and reduce flood damage.